基于PSG信号的阿尔茨海默病检测

阿尔茨海默病（AD）与睡眠障碍密切相关，睡眠模式的破坏通常先于轻度认知障碍（MCI）和早期AD的发生。本研究深入探讨了利用多导睡眠图（PSG）采集的睡眠相关脑电图（EEG）信号进行AD早期检测的潜力。由于临床场景中数据可用性有限，我们的主要重点是探索半监督深度学习技术对EEG信号进行分类。该方法包括测试和比较半监督模型SMATE和TapNet的性能，并以有监督的XCM模型和无监督的隐马尔可夫模型（HMM）作为基准。研究强调了空间和时间分析能力的重要性，对每个睡眠阶段进行了独立分析。结果表明，SMATE在利用有限标记数据方面十分有效，在所有睡眠阶段均取得了稳定的指标，并在其有监督形式下达到了90%的准确率。比较分析显示，SMATE的性能优于TapNet和HMM，而XCM在有监督场景中表现优异，准确率范围为92%至94%。这些发现凸显了半监督模型在AD早期检测中的潜力，特别是在克服与标记数据稀缺相关的挑战方面。消融实验证实了时空特征提取在半监督预测性能中的关键作用，t-SNE可视化验证了模型在区分AD模式方面的能力。总体而言，本研究通过创新的深度学习方法推进了AD检测的发展，突出了半监督学习在解决数据局限性方面的关键作用。